Cloud et machine learning: deux outils pour bien gérer sa data
Le cloud marketing doit permettre aux entreprises d'avoir une vision unifiée des clients et prospects. Reste ensuite à optimiser leur patrimoine data. Le machine learning peut être la solution. Éléments de réponse avec ces extraits de l'Internet Marketing 2017, édité par l'EBG.
Je m'abonne1. Tous les cloud marketing ne sont pas égaux
Le bon cloud marketing doit permettre aux marques, aux agences et aux sociétés médias de couper court à la complexité de la multiplication des données pour permettre d'offrir une vision complète et unifiée des clients et prospects.
La réponse que proposent de nombreux clouds marketing au défi des données consommateur est de "voir les choses en grand". Mais voir les choses en grand n'est pas suffisant. Toutes les "données massives" présentent des biais et des lacunes en termes de couverture, et si les responsables marketing souhaitent véritablement pouvoir se fier aux informations clients qu'ils reçoivent, ils doivent se demander comment les modèles de segmentation de leur audience sont effectivement construits, s'il y a des éléments de mesure auxquels ils peuvent se référer plutôt que de se baser uniquement sur des milliards de "signaux" de données.
L'élimination des données inutiles requiert l'accès à un panel représentatif de données réelles fondées sur des personnes pour vérifier et rendre les "données massives" plus intelligentes, mais cet actif (et ce set de compétences) n'est pas à la portée de toutes les sociétés proposant des technologies marketing.
Lire aussi : Salesforce soutient Paris 2024
En d'autres mots, les technologies marketing de structuration des données n'ont de valeur que sur la base des données avec lesquelles elles démarrent et dont elles s'enrichissent au fil du temps.
2. Vers une approche machine learning pour optimiser son patrimoine data
La technologie d'apprentissage au niveau des machines dont nous disposons aujourd'hui permet d'analyser et d'agir en continu sur des milliards de points de données de consommation afin de donner du sens à ce qui ne se limiterait qu'à du "bruit". Les méthodes scientifiques avancées qui étaient auparavant uniquement l'apanage des physiciens et des universitaires sont désormais ouvertes à un large public. Les algorithmes qui sont à présent derrière tous ces segments d'audience sont capables d'autoapprendre à la seconde près.
Cela donne la possibilité aux acteurs de la grande consommation ou autres, de mettre en place des segments d'audience sur mesure qui répondent à la volatilité constante du comportement comportement des consommateurs de manière automatisée et en apprentissage permanent. Plus les algorithmes ont de données à traiter, plus ils deviennent précis. Et c'est en cela qu'il est important d'allier les données 1st party aux données 3rd party afin d'appliquer des méthodes de LookALike modeling qui soient pertinentes.
